نشریه علمی پژوهشی روشهای عددی در مهندسی

---

استفاده از پوشش هیدروکسی آپاتیت بر روی زیر لایه فلزی برای تهیه ایمپلنت بدن ، در دهه اخیر ، با هدف ترویج رشد استخوان اطراف ایمپلنت ، تثبیت بیولوژیکی سریعتر ایمپلنت و کوتاهتر کردن زمان التیام و درمان ، توسعه یافته است . در این مقاله به بررسی تأثیر نوع زیر لایه فلزی بر حصول نتایج کلینیکی و پاتولوژیکی پرداخته شده است . در پژوهش حاضر ، ایمپلنت هایی از جنس فولاد زنگ نزن و آلیاژ پایه کبالت با و بدون پوشش هیدروکسی آپاتیت پاشش پلاسمایی شده، تهیه و در دندان گربه اندوایمپلنت شد . پس از گذشت 4 ماه ، میزان ترویج رشد استخوان ارزیابی شد و بررسیهای هیستوپاتولوژیک صورت پذیرفت . نتایج نشانگر آن است که ایمپلنت‌های با پوشش ، میانگین پاسخ بهتری از نظر ترویج رشد استخوان ارائه داده اند . بررسیهای هیستوپاتولوژیکی مؤید آن است که اگرچه ایمپلنت‌های با پوشش تحریک بافتی کمتری در مقایسه با ایمپلنت های بدون پوشش ایجاد کرده اما هیچ یک از نمونه ها سازگاری بافتی کاملاً مناسبی نداشته اند . نوع زیرلایه فلزی در دستاوردهای حاصل نقش تعیین کننده داشته و آلیاژهای پایه کبالت با و بدون پوشش در مقایسه با فولاد زنگ نزن نتایج بهتری به بار آورده‌اند. بررسی رفتار خوردگی آلیاژهای فلزی زیر لایه در آزمونهای آزمایشگاهی و تحلیل نتایج حاصل نیز مؤید تأثیر نوع زیر لایه فلزی و پیامدهای مرتبط با آنهاست

---

یکی از موارد پیچیده و در عین حال مهم در مطالعات خوردگی تنشی آلیاژها، تعیین وقوع یا عدم وقوع خوردگی تنشی و تعیین زمان شکست آن است. علی‌رغم انجام تحقیقات وسیع در این زمینه، هنوز فرمولبندی یا روش مطمئنی برای تخمین وقوع خوردگی تنشی و همچنین تعیین زمان شکست در اثر خوردگی تنشی ارائه نشده است. در این مقاله، توانایی شبکه‌های عصبی مصنوعی در تعیین زمان شکست فولاد زنگ نزن آستنیتی 304 بر اثر خوردگی تنشی در محیطهای آبی کلریدی داغ به همراه تحلیل حساسیت پارامترهای کلیدی ارائه شده است. پارامترهایی که در این تحقیق به عنوان ورودی شبکه عصبی مصنوعی مورد بررسی قرار گرفته اند شامل دما، غلظت کلر و میزان تنش اعمالی است. همچنین از زمان شکست نیز به عنوان پارامتر خروجی و معیار کلیدی در ارزیابی پارامترهای اثرگذار استفاده شد. راندمان آماری این شبکه میانگین سه مجموعه آموزش و آزمایش است. همچنین برای آزمایش شبکه از داده‌هایی استفاده شد که جزء داده‌های آموزشی نبودند. نتایج حاصل از خروجی شبکه نشان داد که مدل پیشنهادی توانایی پیش بینی زمان شکست را با واریانس 74٪ از داده‌های واقعی داراست.